| 基于改进灰狼算法和多核极限学习机的铁水硅含量预测建模 |
| |
| 引用本文： | 方一鸣,赵晓东,张攀,刘乐,王硕玉.基于改进灰狼算法和多核极限学习机的铁水硅含量预测建模[J].控制理论与应用,2020,37(7):1644-1654. |
| |
| 作者姓名： | 方一鸣 赵晓东 张攀 刘乐 王硕玉 |
| |
| 作者单位： | 燕山大学工业计算机控制工程河北省重点实验室,河北秦皇岛066004;燕山大学 智能控制系统与智能装备教育部工程研究中心,河北秦皇岛066004;燕山大学工业计算机控制工程河北省重点实验室,河北秦皇岛066004;高知工科大学系统工程学院,日本香美782–8502 |
| |
| 基金项目： | 国家自然科学基金项目(61873226, 61803327), 河北省自然科学基金项目(F2017203304, F2019203090), 河北省人才工程培养经费资助科研项目 (A2016015002)资助. |
| |
| 摘 要： | 针对高炉铁水硅含量难以在线检测的问题, 本文提出一种基于改进灰狼算法(IGWO)优化的多核极限学习
机(MKELM)高炉铁水硅含量预测建模方法. 首先, 针对灰狼算法(GWO)寻优能力的不足, 将最优–最差正交反向学
习(OWOOBL)策略应用于灰狼算法的位置更新, 得到一种改进灰狼优化算法. 通过10种标准函数对所提算法进行
仿真测试, 结果表明此算法具有更好的寻优能力. 其次, 针对单核极限学习机(KELM)回归能力不足, 将不同种类的
核函数加权组合, 并采用改进灰狼算法对多核极限学习机中的加权系数等参数进行优化. 最后, 基于某钢厂的实测
数据对高炉铁水硅含量进行预测建模, 仿真结果表明, 本文所提方法的预测效果优于反向传播神经网络(BP–NN)、
极限学习机(ELM)、KELM和GWO–MKELM, 对高炉炼铁具有较好的指导意义.
|
| 关 键 词： | 改进灰狼优化算法 最优—最差正交反向学习 多核极限学习机 铁水硅含量 预测建模 |
| 收稿时间： | 2019/7/16 0:00:00 |
| 修稿时间： | 2019/12/10 0:00:00 |
Prediction modeling of silicon content in liquid iron based on multiple kernel extreme learning machine and improved grey wolf optimizer |
| |
| FANG Yi-ming,ZHAO Xiao-dong,ZHANG Pan,LIU Le and Wang Shuo-yu.Prediction modeling of silicon content in liquid iron based on multiple kernel extreme learning machine and improved grey wolf optimizer[J].Control Theory & Applications,2020,37(7):1644-1654. |
| |
| Authors: | FANG Yi-ming ZHAO Xiao-dong ZHANG Pan LIU Le and Wang Shuo-yu |
| |
| Affiliation: | Yanshan University,Yanshan University,Yanshan University,Yanshan University,Kochi University of Technology |
| |
| Abstract: | |
| |
| Keywords: | improved grey wolf optimizer optimal-worst orthogonal opposition-based learning multiple kernel extreme learning machine silicon content in liquid iron prediction modeling |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《控制理论与应用》浏览原始摘要信息 |
|
点击此处可从《控制理论与应用》下载全文 |
|
